3585 artículos
El artículo presenta 3DMedAgent, un agente unificado que habilita a modelos de lenguaje multimodal 2D para realizar análisis médicos 3D mediante la descomposición progresiva de tareas complejas y el uso de una memoria estructurada, superando así las limitaciones de los enfoques existentes y logrando un rendimiento superior en más de 40 tareas de análisis de tomografía computarizada.
Este artículo presenta arquitecturas que aprenden operadores equivariantes en un espacio latente para mejorar el reconocimiento de objetos ante transformaciones simétricas no vistas durante el entrenamiento, demostrando su eficacia en conjuntos de datos simples como MNIST ruidoso y rotado, aunque advierte sobre los desafíos de escalar estas soluciones a conjuntos de datos más complejos.
El artículo presenta OVerSeeC, un marco modular de cero disparos que combina modelos de lenguaje y segmentación de visión abierta para generar mapas de costos globales adaptativos a misiones a partir de imágenes satelitales y descripciones en lenguaje natural, permitiendo la planificación de rutas para entidades y reglas desconocidas sin ontologías predefinidas.
Este artículo introduce el nuevo paradigma de generalización de dominio de vocabulario abierto en segmentación semántica (OVDG-SS) para entornos urbanos, presentando un primer benchmark y proponiendo el mecanismo S2-Corr para mitigar las distorsiones en las correlaciones texto-imagen causadas por cambios de dominio y mejorar la robustez en escenarios no vistos.
El artículo presenta UniMatch, un marco de aprendizaje profundo que establece correspondencias densas semánticas entre formas 3D no isométricas de diferentes categorías mediante un enfoque de dos etapas que combina segmentación semántica agnóstica a la clase, orientación mediante modelos de lenguaje multimodal y un esquema de aprendizaje contrastivo basado en rangos.
InfScene-SR es un enfoque de superresolución basado en difusión que utiliza la fusión de corrección de varianza y la corrección de varianza desacoplada espacialmente para lograr una superresolución de imágenes de tamaño arbitrario sin costuras ni inconsistencias espaciales, eliminando así los límites de memoria y permitiendo inferencia distribuida eficiente.
Este artículo propone un esquema de descomposición y recomposición en línea de objetos, escenas y cámaras para generar datos de entrenamiento sintéticos diversos y eficientes, mejorando así la detección 3D de objetos monocular con menos datos y anotaciones.
Este trabajo presenta un marco de descomposición de imágenes en contexto que utiliza modelos de difusión preentrenados adaptados mediante LoRA y una estrategia de ajuste cíclico para separar eficazmente logotipos de sus superficies subyacentes, mejorando la robustez mediante la consistencia de reconstrucción y un proceso progresivo de auto-mejora.
Este trabajo presenta un marco iterativo y sin entrenamiento que mejora el razonamiento multimodal en modelos de visión y lenguaje grandes mediante la supervisión de cada paso de razonamiento con evidencia visual dinámica, reduciendo así las alucinaciones y aumentando la precisión sin necesidad de reentrenamiento.
Este artículo presenta un enfoque unificado para la segmentación semántica en imágenes y videos que utiliza modelado de lenguaje para generar máscaras como secuencias de tokens discretos mediante codificación de longitudes de ejecución (RLE), incorporando estrategias de compresión y detalles de instancias para lograr resultados competitivos con el estado del arte.
WISER es un marco de recuperación de imágenes compuestas sin entrenamiento que supera las limitaciones de los métodos existentes mediante una búsqueda más amplia, un pensamiento más profundo y una fusión adaptativa que unifica las búsquedas basadas en texto e imagen para lograr un rendimiento superior en diversos escenarios.
El artículo presenta PackUV, un nuevo método de representación 4D que mapea atributos gaussianos en atlas UV compatibles con códecs de video estándar para lograr almacenamiento compacto y transmisión eficiente, junto con un conjunto de datos masivo (PackUV-2B) que demuestra una reconstrucción temporalmente consistente y de alta fidelidad en secuencias de larga duración.
El artículo presenta HART, un marco de aprendizaje por refuerzo sin anotaciones que mejora el razonamiento visual de modelos multimodales de alta resolución mediante la optimización de la localización de regiones clave y la auto-verificación, logrando un rendimiento superior en diversas tareas sin depender de etiquetas de anclaje costosas.
Este artículo presenta InfSA y su variante lineal, Linear-InfSA, un enfoque de autoatención espectral que reformula la atención como un proceso de difusión para lograr complejidad lineal, permitiendo entrenar y realizar inferencia en imágenes de ultraalta resolución (hasta 9216x9216) con mayor eficiencia energética y rendimiento que los Transformers tradicionales.
El artículo presenta WildActor, un marco de generación de video humano que, aprovechando el gran conjunto de datos Actor-18M y mecanismos avanzados de atención y muestreo, logra preservar la identidad corporal completa de manera consistente en escenas dinámicas con cambios de perspectiva y movimiento, superando las limitaciones de los métodos anteriores.
Este artículo de posición sostiene que la evaluación de los sistemas modernos de procesamiento visual debe dejar de centrarse exclusivamente en métricas objetivas para adoptar un enfoque más humano, consciente del contexto y detallado, que priorice la percepción y las preferencias de los usuarios.
El artículo presenta DeAR, un marco que mejora la adaptación de modelos de visión y lenguaje mediante la descomposición de los roles de las cabezas de atención en capas profundas para equilibrar eficazmente el aprendizaje de tareas específicas y la preservación de la generalización cero-shot.
El marco MSP aborda el problema de la dependencia excesiva en el peinado en la reidentificación de personas que cambian de ropa mediante la generación de diversidad de estilos, el enmascaramiento controlado de la ropa y la atención guiada por el análisis de regiones, logrando así un rendimiento de vanguardia al priorizar rasgos faciales y corporales estables.
Este artículo presenta una arquitectura de pipeline basada en detección que logra una segmentación glótica robusta y generalizable en videoendoscopias de alta velocidad, permitiendo la extracción precisa de biomarcadores cinemáticos para la evaluación clínica de patologías vocales.
Este trabajo propone un marco robusto que combina la arquitectura CoAtNet con la técnica de "model soups" para clasificar imágenes del Patrimonio Cultural Inmaterial del Delta del Mekong, logrando un rendimiento superior al reducir la varianza mediante el promediado de checkpoints diversos en un escenario de datos limitados.